Reels
Homestead-Ästhetik
Oberfläche
Homestead-Ästhetik
Latentes Signal
→ traditionelle Geschlechterrollen
Einleitung
Nur 4,6 % der Inhalte in den Feeds junger Nutzer:innen waren bei der Bundestagswahl 2025 explizit politisch (Bertelsmann 2025). Aber was ist mit dem Rest?
Explizit politische Inhalte lassen sich vergleichsweise leicht zählen (Parteiaccounts, Wahlkampfclips, Nachrichten). Sie sind aber der kleinere Teil. Viel mehr von dem, was das politische Weltbild junger Menschen prägt, kommt in Lifestyle, Identität und Humor verpackt. Eine Creatorin zeigt, wie ein „normales" Leben aussieht, eine Ästhetik signalisiert, wer dazugehört, ein Witz entscheidet, welche Gruppe die Pointe ist.
Empfehlungssysteme sortieren Inhalte nicht nach Thema. Sie sortieren danach, was Aufmerksamkeit bindet, und politische Relevanz reist oft in Beiträgen mit, die keine Partei und keine Politik erwähnen. Genau das macht solche Inhalte wirksam und zugleich leicht zu übersehen, für die Scrollenden wie für die Forschung, die sie messen will.
Beispiele
Tradwife-Ästhetik, Grindset-Memes und Wellness-Videos wirken unpolitisch, transportieren aber oft politische Botschaften. Hier ein paar illustrative Beispiele.
Illustrative Beispiele, keine echten Inhalte.
Shorts
Hustle / Grindset
Oberfläche
Hustle / Grindset
Latentes Signal
→ Anti-Umverteilung, Individualismus
TikTok
Clean Living / Wellness
Oberfläche
Clean Living / Wellness
Latentes Signal
→ Naturalismus, Institutionenmisstrauen
Reels
Heimat & Nostalgie
Oberfläche
Heimat & Nostalgie
Latentes Signal
→ nationale Identität
TikTok
Selbstversorgung / Prepping
Oberfläche
Selbstversorgung / Prepping
Latentes Signal
→ Misstrauen gegenüber dem Staat
Nutzer:innen (und Eltern) haben keine zugänglichen Werkzeuge, um zu verstehen, wie politisch verzerrt ihre Feeds sind. Während Filter-Blasen und Algorithmen viel diskutiert werden, fehlen konkrete Tools, um die eigene Informationsdiät zu analysieren. Eltern sorgen sich um die Social-Media-Nutzung ihrer Kinder, können aber nicht nachvollziehen, was Algorithmen ihnen tatsächlich zeigen.
Gleichzeitig fehlen Forscher:innen die Methoden, um diese versteckten politischen Inhalte systematisch zu erfassen. Klassische Keyword-Ansätze übersehen Dogwhistles, visuelle Symbolik und kontextabhängige Bedeutungen.
Wie identifizieren wir politische Inhalte?
Der PSMM entwickelt ein KI-gestütztes Klassifikationssystem, das subtile politische Signale in Social-Media-Inhalten über alle Plattformen hinweg erkennt. Aktuell testen wir verschiedene LLM-Modelle mit unserem PSMM-Datensatz von über 10 Millionen Posts auf TikTok, Instagram, YouTube und X.
Der Klassifikator liest einen Beitrag so, wie es ein Mensch täte, über mehrere Kanäle zugleich. Er berücksichtigt die Bildunterschrift, den eingeblendeten Text, die gesprochene Tonspur, die visuellen Hinweise und die Hashtags und beurteilt dann, ob der Beitrag im Kontext politische Bedeutung trägt. Derselbe Wellness-Clip kann in einem Account neutral wirken und in einem anderen ein Identitätsmarker sein, deshalb behandelt das Modell den Kontext als Teil der Eingabe.
Beitrag
Signale
BildunterschriftEingeblendeter TextAudioVisuelle HinweiseHashtags
Klassifikator
LLMkontextsensitiv
Einschätzung
Politisch relevant?
Thema
Tendenz
Wir verankern das Modell an menschlicher Kodierung. Ein Team liest eine Stichprobe derselben Beiträge, wendet ein gemeinsames Codebuch an, und wir messen, wo Modell und Kodierende übereinstimmen und wo sie auseinandergehen. Die Abweichungen sind die eigentliche Arbeit, denn sie zeigen, welche Signale noch mehrdeutig sind und wo das Codebuch geschärft werden muss.
Diese Seite gibt einen Vorgeschmack auf unser geplantes Forschungsprojekt Mapping Hidden Political Content in Algorithmic Feeds. Wir entwickeln Werkzeuge für Forscher:innen und ein öffentliches Tool, mit dem Nutzer:innen ihre eigenen Feeds analysieren können.